最近，有兩項分別來自麻省理工學院和IBM的研究，利用人工智能幫助人們進行神經(jīng)科學領域的研究，進一步幫助人們加速對人類大腦的理解。
一方面，麻省理工學院的研究人員正在訓練機器學習模型，研究從單個分割的大腦掃描圖像和未標記的掃描圖像中，分割大腦解剖結構，從而使用人工智能實現(xiàn)神經(jīng)科學圖像分割的自動化。
另一方面，IBM的研究人員創(chuàng)建了一個基于云端的神經(jīng)科學模型，用于研究神經(jīng)退行性疾病(由大腦和脊髓的神經(jīng)元或髓鞘的喪失所致，并隨著時間推移而惡化，導致出現(xiàn)功能障礙)，并使用模擬生物進化的算法來解決復雜問題。
一、卷積神經(jīng)網(wǎng)絡為卡牌實時提供信息
在前段時間舉行的模式識別與計算機視覺大會(Conference on Computer Vision and Pattern Recognition)上，來自麻省理工學院的一組研究人員提出了一種創(chuàng)新的人工智能系統(tǒng)。
該系統(tǒng)可以學習從單個分段腦掃描圖像和未標記的掃描圖像中，分割解剖腦結構，實現(xiàn)自動化神經(jīng)科學圖像分割。
這種用于神經(jīng)科學的新型人工智能系統(tǒng)，是基于一款發(fā)行于1993年的著名集換式卡牌游戲(Collectible card game)《萬智牌(Magic：The Gathering)》而研發(fā)。
Amy Zhao是麻省理工學院電氣工程與計算機科學系(EECS)，以及計算機科學與人工智能實驗室(CSAIL)的研究生，同時也是該項研究的第一作者。
最初，她嘗試使用一個由卷積神經(jīng)網(wǎng)絡(CNN)技術創(chuàng)建的應用程序，根據(jù)智能手機拍攝的照片，實時為《萬智牌》中的紙牌提供卡牌的類別、屬性和施放費用等詳細信息。
這項技術的挑戰(zhàn)在于，計算機視覺任務需要一組照片數(shù)據(jù)集，該數(shù)據(jù)集不僅包含20,000張游戲卡牌，而且還包含每張卡牌的不同拍攝外觀和拍攝屬性(如照明)的圖片版本。
但是，手動創(chuàng)建這樣的一個數(shù)據(jù)集需要花費大量的實踐和精力，因此Amy開始通過合成數(shù)據(jù)集中所有卡牌的變形版本，來自動創(chuàng)建數(shù)據(jù)集。
卷積神經(jīng)網(wǎng)絡是一種深度學習算法，具有人工神經(jīng)網(wǎng)絡結構，該算法受生物大腦視覺皮層的啟發(fā)，用一小部分數(shù)據(jù)進行訓練。
Amy使用200張卡牌，每張卡牌分別搭配10張照片，讓卷積神經(jīng)網(wǎng)絡經(jīng)過訓練，學習如何判斷卡牌的所處的不同位置和照片外觀，如亮度、反射和照片角度，從而能夠合成數(shù)據(jù)集內(nèi)所有卡牌的真實變形版本組。
二、卷積神經(jīng)網(wǎng)絡分析腦圖像的過程
Amy發(fā)現(xiàn)，這種變形的方法可以應用于磁共振成像(Magnetic Resonance Imaging，簡稱MRI)中。磁共振成像是斷層成像的一種，能夠利用磁共振現(xiàn)象從人體中獲得電磁信號，并重建出人體信息。
人工智能深度學習的模式識別功能是機器學習的一個子集，它幫助神經(jīng)科學家對腦圖像進行復雜的分析。然而，訓練該機器學習算法是一個昂貴的、勞動密集型的挑戰(zhàn)。
一方面，對于神經(jīng)科學研究，訓練機器學習通常需要神經(jīng)科學家在每一次的腦部掃描中，手動對解剖結構進行數(shù)據(jù)標記。
另一方面，圖像分割是基于共享特征對圖像像素進行標記的過程，而磁共振成像的圖像又是一個以三維像素形式呈現(xiàn)的體素。
因此，神經(jīng)科學的研究人員經(jīng)常需要根據(jù)大腦的解剖結構，對體素區(qū)域進行分離和標記，手工進行圖像分割。
Amy與麻省理工學院博士后助理Guha Balakrishnan、Frédo Durand教授、John V. Guttag教授，以及資深作家Adrian V. Dalca，使用單一標記的分段腦MRI掃描和一組100個未標記的病人掃描，完成了自動化神經(jīng)科學圖像分割過程。
在研究過程中，研究人員使用了兩個卷積神經(jīng)網(wǎng)絡。
首先，卷積神經(jīng)網(wǎng)絡從100個未標記的掃描中學習亮度、對比度、噪聲和空間變換流場(指運動流體所占的空間區(qū)域里的速度、壓強等因素)的變化，這些變化模擬了掃描之間的體素運動。
其次，為了合成新的標記掃描，系統(tǒng)生成一個隨機的流場，并將這個隨機的流場應用于標記的MRI掃描，以匹配未標記掃描數(shù)據(jù)集中實際患者的MRI。然后，系統(tǒng)將所學習到的亮度、對比度和噪聲變化進行隨機組合。
最后，系統(tǒng)根據(jù)提速運動的流場，將標簽標記到合成掃描的圖像中。這些合成的掃描圖像將被輸入到一個單獨的卷積神經(jīng)網(wǎng)絡，以便訓練該卷積神經(jīng)網(wǎng)絡學習如何分割新的圖像。
三、該框架可合成逼真多樣的標記實例
此外，研究小組對30種大腦結構的圖像分割系統(tǒng)進行了100次掃描，并將其與現(xiàn)有的自動和手動分割方法進行了比較。結果表明，該方法與現(xiàn)有的圖像分割方法相比有了顯著改進，特別是在海馬體等較小的大腦結構方面。
研究人員在論文中表示，在他們的測試集中，分割器在每個例子上都比現(xiàn)有的單次分割方法做得更好，接近完全監(jiān)督模型的性能(之前大多是半監(jiān)督的)。該機器學習框架可在多個醫(yī)學領域應用，比如臨床設置，在臨床設置中由于時間限制，通常只允許手工注釋少量掃描。
對此，麻省理工學院的研究人員表明，通過機器學習從未標記的大腦掃描圖像中，獨立的空間和外觀轉(zhuǎn)換模型，可以合成逼真多樣的標記實例。
另外，系統(tǒng)生成的合成示例可以用來訓練性能等于甚至優(yōu)于當前圖像分割方法的分割模型，這也是為什么《萬智牌》能催生一種可訓練人工智能深度學習算法的新方法。
四、什么是進化算法?
最近，IBM的研究人員在《細胞報告(Cell Reports)》和《今日心理學(Psychology Today)》上發(fā)布了一種創(chuàng)新方法，通過利用進化算法創(chuàng)建了一個基于云端的神經(jīng)科學模型，可用于研究神經(jīng)退行性疾病。
在神經(jīng)科學和人工智能的交叉領域，是深度學習的另一種方法。深度學習是松散地建立在生物大腦的神經(jīng)網(wǎng)絡層上的，它往往是單一用途的單點解決方案，需要將大量數(shù)據(jù)集進行廣泛訓練，并針對特定的環(huán)境進行定制。
相比之下，進化算法(Evolutionary Algorithms，簡稱EA)則簡單得多。它是進化計算的一個子集，能夠模擬生物進化來解決復雜問題。另外，它基于“適應度”函數(shù)中設置的標準來解決問題，幾乎不需要數(shù)據(jù)。
不同類型的進化算法包括遺傳算法、進化策略、差分進化和分布估計算法，它們的共同之處在于進化的過程，該過程通常包括隨機生成搜索點種群，也稱為代理，染色體、候選解或個體。
這些搜索點種群會經(jīng)歷多代的變異操作和選擇，而變異操作類似于生物突變和重組過程。
每次種群迭代后，進化算法將計算每個搜索點的適應度，并保留最強(較高的目標值)的搜索點，刪除最弱(較低的目標值)的搜索點。
通過這種方式，搜索點的種群經(jīng)過幾代人的進化，將產(chǎn)生解決問題的最佳方案，而適者生存的變異依然存在。
五、基于云端創(chuàng)建神經(jīng)科學模型
進化算法在本質(zhì)上是分布式的，這使得它非常適合基于云端或大規(guī)模并行的多核處理。
在這項針對亨廷頓舞蹈病(Huntington’s disease)的神經(jīng)科學研究中，研究人員使用了IBM Cloud上的一種最新的非主導排序差異進化(NSDE)算法。
參與這項研究的IBM主發(fā)明人、神經(jīng)科學家James R. Kozloski表示，他們引入了誤差函數(shù)的軟闕值和鄰域懲罰，以防止由于目標是精確的特征值而導致的系統(tǒng)偏差。
Kozloski表示，他們使用NSDE框架來修正誤差，并根據(jù)先前選擇的0個誤差模型的特征空間和“擁擠度”進行懲罰，從而使算法盡可能均勻地覆蓋0個錯誤區(qū)域。這讓他們能夠創(chuàng)建適合數(shù)據(jù)的各種參數(shù)模型，而不僅僅是單一模型。
該項研究的算法設計大師Tim Rumbell博士和Thomas J. Watson研究中心的計算神經(jīng)學家表示，這個算法最終將幫助模型進行推廣，因為他們支持算法尋找一個參數(shù)空間區(qū)域，該區(qū)域能生成像實驗期間所有神經(jīng)元一樣響應的模型。
結語：促進人們對人類大腦的科學理解
麻省理工學院的研究人員通過卷積神經(jīng)網(wǎng)絡分析腦圖像，以及IBM的研究人員利用進化算法創(chuàng)建了一個基于云端的神經(jīng)科學模型，這兩項研究都是人工智能技術在神經(jīng)科學領域的發(fā)展和應用。
未來，當這兩項研究進一步成熟和真正落地后，也許將有益于臨床醫(yī)學和神經(jīng)科學研究的發(fā)展，進一步加速人們對人類大腦的科學理解。
關鍵詞：
